说实话,当看到论文里那句"Qwen3-Coder + Sketch模型在所有测试中表现最佳,甚至超过了GPT-5"时,我放下杯子,深吸了一口气。不是那种"哇塞好厉害"的激动,而是一种"终于等到这一天"的感慨。

作为一个关注AI领域多年的普通开发者,我见过太多"benchmark刷榜"的新闻,见过太多"参数量又创新高"的宣传。但这次不一样。这次是一个开源模型,在真实的、需要美学判断的任务上,击败了被视为最强的闭源巨兽。

Qwen3-Coder是什么？

Qwen3-Coder 是阿里巴巴旗下 Qwen 团队于 2025 年发布的最新代码生成 AI 模型，其特点是创新的混合思维模式设计。

• 混合思维建筑

• 独特的思维模式和非思维模式切换，灵活平衡深度推理和快速反应。

• 多语言支持

• 支持 119 种编程语言和方言，涵盖全球主流开发场景。

• 完整模型系列

• 从 0.6B 轻量级到 235B 旗舰级，满足不同的性能和资源需求。

不只是会写代码:UI界面生成的隐秘挑战

故事得从AI遇到的一个看似简单、实则棘手的问题说起。

你可能会想:Apple这么牛的公司,什么问题能难住他们?答案是:让AI生成既功能完整又美观的用户界面。

听起来是不是有点讽刺?这些年AI发展得这么快,写代码、画图、作诗样样精通,但就是搞不定"好看"这两个字。

因为"好看"不是语法,它是美学判断、布局感、交互逻辑与用户心理的综合表达。

我自己也是个半吊子程序员（自己开发前端界面以及 APP 界面）,深知这其中的痛苦。开发者们早就意识到一点:生成"功能性代码"这件事AI做得越来越好——函数能跑、逻辑没错、编译通过。但生成"既符合需求又好看、拿得出手的UI界面",则是完全不同的技能。

有时候你辛辛苦苦做了个界面,自我感觉良好,代码跑得飞起,结果设计师看了一眼就说:"这个颜色不对,间距太小,层次不清晰,信息层级混乱..."然后你就懵了——明明AI模型训练了几百亿参数,看过无数优秀设计,怎么就是学不会什么叫"好看"呢?

更要命的是,传统的RLHF(人类反馈强化学习)在这个任务上也不够用。让人类给UI打分、排名,看似科学,实则问题重重。设计不是考试,没有标准答案。同一个界面,有人觉得简约好,有人觉得丰富好;有人喜欢蓝色调,有人偏爱暖色系。

齐头并进的RLHF能在某些任务提升表现,但对于UI设计这类既主观又逻辑性强的任务来说,传统的"好/不好"的打分反馈往往不够,AI很难理解"哪里不对、为什么不对、如何改才更好"。

Apple的研究团队也遇到了同样的困境。他们发现,即使是GPT-4、GPT-5这样的超级模型,生成的UI界面虽然功能完整、代码没bug,但就是不够"Apple味儿"——那种简洁、优雅、直觉化的设计感,总是差那么一点意思。

Apple工程师亲自上场:一次真正的人机对话

于是,Apple的研究团队想了个办法:既然AI学不会什么叫"好看",那我们让设计师直接教它。

但这次不是简单的打分评价,而是一种全新的、更深入的知识传递方式。

21位设计师的实验

前不久,Apple内部团队发布了一篇让人振奋的研究。他们招募了21位专业设计师——这些人有的有2年经验,有的已经在行业里摸爬滚打了30多年。他们来自不同的设计领域:UI/UX设计、产品设计、服务设计,有的每周都要主持好几场设计评审,有的则负责从零到一打磨产品的视觉体验。

研究团队给他们看AI生成的界面,然后让他们用最熟悉、最自然的方式提意见:

• 画草图(Sketching)

  :直接在界面上圈出问题区域,画框、画箭头、标重点

• 写评论(Commenting)

  :用自然语言说明哪里需要改,为什么要改

• 直接改(Revising)

  :用Sketch软件把界面改成理想的样子

• 打分排名(Ranking)

  :从两个设计里选一个更好的(这是传统方法)

你可能会说,这不就是传统的"人类反馈"吗?RLHF早就有了啊。

真正的不同:从评判到教学

但这里有个关键区别——这不是机械式评分,而是设计师带着他们的经验、草图和直觉在引导AI。

传统的RLHF让人类给AI的输出"打分"或"排名",就像老师给学生试卷打分一样。但设计不是考试,没有标准答案。

这听起来就像两种语言之间的翻译。在普通RLHF中,人类只跟AI说"糟糕/很好";而Apple团队的方法是告诉AI"你错在哪了、该怎么改",这对于UI这种含视觉与交互的任务至关重要。

Apple的研究团队发现了一个惊人的数据:当设计师们对两个界面进行排名时,他们之间的意见一致性只有49.2%——基本等同于抛硬币。

我看到这个数字时,忍不住笑了。这太真实了。设计圈里谁没经历过这种场景:两个设计师对着同一个界面,一个说"简洁有力",另一个说"过于单薄";一个觉得"层次分明",另一个认为"过度设计"。

这意味着什么?意味着传统的排名打分方式,在设计领域根本不work。

动手改才是王道

但当设计师们直接动手改界面时,情况就完全不同了。

研究人员和设计师对"改进后的界面更好"这一判断的一致性,从49.2%飙升到了76.1%。

这个发现让我想起自己学设计的经历。当年我的设计老师从来不会说"这个不好,重做",而是会拿起画笔,三两下就把问题改了,然后说:"看,这样是不是更舒服?"那一刻你会恍然大悟——好的设计是做出来的,不是说出来的。

这是一种真正意义上的知识传递,不是简单的"人类评分+AI模仿",而是让AI理解"设计为什么好"。设计师不仅评判,还亲手写注释、绘制草图、甚至直接修改代码。研究团队把这些"详尽的设计反馈"转化成奖励模型,使AI在训练时真正理解设计背后的逻辑和意图。

一个让人感动的细节

整个研究过程中,设计师们在不同的反馈方式上花的时间差异巨大:

• 排名最快:平均每分钟能完成4.8个

• 草图其次:每个平均2-3分钟

• 评论稍慢:需要仔细组织语言

• 直接修改最慢:平均每个需要3.45分钟

想象一下那个场景:一位有着20年经验的资深设计师,坐在电脑前,打开Sketch软件,仔细端详着AI生成的界面,皱着眉头,然后开始调整间距、修改配色、重组布局...3分钟后,一个更优雅的设计诞生了。

这3分钟里浓缩的,是20年的设计经验、无数次的试错、对用户心理的深刻理解。

而这些,都被转化成了AI能够学习的数据。

小模型的逆袭:那个让人屏住呼吸的时刻

那么,Qwen3-Coder是怎么进入Apple研究团队视野的呢?

论文里其实透露了一个特别接地气的细节:Apple最初用的基础模型是Qwen2.5-Coder 32B,原因简单到让人想笑——"它是当时最强的、能塞进单张GPU的开源代码模型"。

看到这句话我笑了。这理由多么朴实无华,多么贴近真实的工程实践。不是因为它最先进,不是因为它最火,不是因为它参数最多,就是因为它刚好能跑起来,而且效果还不错。

这让我想起自己做项目时的选型过程。很多时候我们选择某个框架或工具,不是因为它在各种benchmark上第一名,而是因为它刚好能解决我的问题,部署也不麻烦,社区还挺活跃。技术选型从来不是纸上谈兵,而是在各种限制条件下做的妥协和平衡。

Qwen3-Coder的华丽登场

后来,阿里云Qwen团队发布了Qwen3-Coder,Apple团队自然也拿来测试了一下。

结果让他们惊喜:这个模型的基础能力明显更强了。

论文里提到,Qwen3-Coder相比Qwen2.5-Coder训练数据翻倍(从18万亿tokens到36万亿tokens),架构也有重大改进。虽然参数量差不多(30B),但性能提升明显。Qwen3技术报告记录了一系列改进:模型架构优化、训练数据扩充、训练技巧升级...

但真正让人屏住呼吸的,是接下来发生的事。

那个超越的时刻

Apple的研究团队用仅仅181个设计师的草图反馈对Qwen3-Coder进行微调。

注意,只有181个样本。不是18万,不是1.8万,就是181个。

然后,他们把微调后的模型和一众顶级模型放在一起评测:

• GPT-5(OpenAI的最新旗舰推理模型)

• Qwen2.5-Coder 32B(未微调)

• Qwen2.5-Coder 3B(小参数版本)

• 以及各种经过不同反馈训练的变体

评测方式很严格:让人类评委盲测,看不到模型名字,只看生成的UI界面,选出更好的那个。这种"Arena对战"评测方式,就像拳击比赛一样,胜率高的模型得分就高,没有任何偏见和作弊空间。

结果出来的那一刻,我相信在场的研究人员都倒吸了一口凉气。

微调后的Qwen3-Coder在所有测试中表现最佳,甚至超过了GPT-5。

是的,你没看错。

一个只有30B参数、经过181个高质量反馈微调的开源模型,在UI生成这个任务上,击败了估计有数千亿甚至上万亿参数的闭源巨兽GPT-5。

这不是营销噱头,不是标题党,而是在同一测评维度下、同样的评委标准中得出的客观结论:在UI生成这个具体任务里,微调后的Qwen3-Coder在逻辑正确性、可编译性、美感结构性、设计合理性等方面的综合表现更好。

这意味着什么?

让我们停下来想想这件事的意义。

多年来,我们习惯了一种思维定式:模型越大越好,参数越多越强,闭源巨头永远领先。

OpenAI、Anthropic这些公司动辄投入数亿美元训练超大规模模型,我们都认为这是唯一的道路。

但Apple的这项研究告诉我们:真正的优势不在于"大而全"——而是任务适配和高质量反馈。

少量但精确的训练样本,带来的能力提升远超简单地堆参数或堆数据。

这就像武侠小说里的情节:一个普通人跟着顶级高手学了几招,虽然内力不如练了几十年的老怪物,但在实战中反而更强——因为他学的每一招都是精华,每一式都经过千锤百炼。

从3000万到3亿:Qwen的开源传奇

看到这个结果时,我特意去查了查Qwen模型的发展历程。真的挺感慨的。

2023年4月,阿里云发布第一代Qwen模型。当时谁能想到,短短不到两年,这个模型家族会发展成什么样?

• HuggingFace下载量突破3亿次

• 衍生模型超过10万个

• 某个月的下载量超过Meta、OpenAI等六家国际顶尖AI公司的总和

这些数字不是吹出来的,而是全球数百万开发者、研究者、创业者用脚投票的结果。

他们选择Qwen,不是因为民族情怀,不是因为政治正确,就是因为它真的好用:部署简单、文档齐全、中文支持好、社区活跃、更新频繁、问题响应快。

我自己也在项目里用过Qwen2.5,那种感觉很直观:遇到问题在GitHub上提issue,几个小时就有回复;想要某个功能,过几周更新就加上了;碰到bug,社区里立马有人讨论解决方案。

这种开源社区的活力,是闭源模型永远比不了的。

草图的魔力:为什么sketch最有效?

Apple团队测试了四种设计师反馈方式:排名、评论、草图、直接修改。结果发现,草图(sketch)反馈训练出的模型效果最好。

为什么?

我自己琢磨了半天,觉得原因可能是这样的:

1. 草图直观又高效

设计师画个框,圈个圈,加个箭头,几秒钟就能表达清楚"这里有问题"。不用写一大段话解释,AI也能精准定位到问题区域。

2. 草图保留了设计师的思考过程

当设计师在界面上画圈时,他其实是在说:"我注意到了这个元素,觉得它有问题。"这种注意力信号对AI特别有价值。

3. 草图数量多质量也不差

在同样10.5分钟里,设计师能画181个草图,但只能写152条评论,只能改64个完整设计。草图既快又准,难怪效果最好。

论文里还提到一个细节让我印象深刻:草图反馈的评论平均只有42个字符,而纯文字评论平均有87个字符。

这说明什么?说明"一图胜千言"是真的。设计师不用费力解释"把右上角的按钮往左移5像素",只需要圈出按钮,写个"位置"俩字,AI就懂了。

从3000万到3亿:Qwen的开源奇迹

看到这篇论文时,我特意去查了查Qwen模型的发展历程。真的挺感慨的。

2023年4月,阿里云发布第一代Qwen模型。当时谁能想到,短短两年后,这个模型家族的下载量会突破3亿次,在HuggingFace上衍生出超过10万个基于Qwen的模型?

更让人惊讶的是,Qwen2.5-Coder的下载量在某个月超过了Meta、OpenAI等六家国际顶尖AI公司的总和。

这些数字背后,是无数开发者、研究者、创业者的选择。他们用脚投票,选择了Qwen,不是因为政治正确,而是因为它真的好用。

我自己也在项目里用过Qwen2.5,感受很直观:部署简单,文档齐全,中文支持好,社区活跃。碰到问题在GitHub上提issue,很快就有人回复。这种开源社区的氛围,是闭源模型永远比不了的。

小模型的逆袭:效率才是王道

Apple的这项研究还揭示了一个有趣的现象:小模型+高质量反馈 > 大模型+普通反馈。

Qwen3-Coder只有30B参数,GPT-5估计有几千亿甚至上万亿参数。但在UI生成这个任务上,经过设计师反馈微调的Qwen3-Coder表现更好。

这让我想起最近AI圈流行的一句话:"大力出奇迹"的时代可能要过去了。

以前大家都觉得,模型越大越好,参数越多越强。但现在越来越多的证据表明,数据质量比数据量重要,微调策略比模型规模重要。

想想也是,一个学生刷一万道题,不如找个好老师精讲一百道题。AI模型也一样,与其吃海量的垃圾数据,不如精心挑选、精准标注、深度学习。

而且从工程角度看,30B的模型可以跑在单张GPU上,部署成本低,推理速度快。这对实际应用太重要了。

我见过太多"论文里很牛但跑不起来"的模型。理论性能再强,如果普通开发者用不了,那有什么意义呢?

中国开源的底气

写到这里,我想聊点更宏观的东西。

这些年中国在AI领域的进步,肉眼可见。从最开始的"追赶者",到现在某些领域的"并跑者"甚至"领跑者",靠的是什么?

我觉得很重要的一点是:开源精神。

阿里云选择把Qwen开源,不是因为傻,而是因为看到了生态的力量。当全球数百万开发者都在用你的模型,基于你的模型做改进,这种集体智慧是任何一家公司内部团队都比不了的。

Apple这篇论文就是最好的证明。如果Qwen是闭源的,Apple团队可能根本不会考虑它,更不会基于它做研究并发论文。正是因为开源,才有了这次跨越太平洋的技术合作。

而且我注意到一个细节:论文里Apple团队毫不掩饰地说,他们用Qwen是因为"it was the strongest publicly available code LLM that could fit on a single GPU"(它是最强的、能塞进单GPU的公开代码模型)。

这种坦诚让我很感动。没有遮遮掩掩,没有"技术壁垒"那套说辞,就是实打实地承认:Qwen好用,我们就用它。

这才是健康的技术生态该有的样子。

设计师的未来:被AI取代还是与AI共舞?

看完这篇论文,我觉得最大的启发不是"AI能生成多好的界面",而是"设计师和AI如何更好地协作"。

很多人担心AI会取代设计师。我觉得这篇研究给出了另一种可能:AI是设计师的助手,而不是替代品。

想象一下未来的设计流程:

1. 设计师用自然语言描述需求:"给我设计一个电商APP的首页"

2. AI快速生成10个不同风格的初稿

3. 设计师在最喜欢的初稿上圈圈画画,标注问题

4. AI根据反馈迭代改进

5. 几轮下来,一个高质量的设计就出来了

整个过程中,创意和审美依然来自人类,AI只是大大加速了执行过程。

这不就是最理想的人机协作吗?

而且我觉得,AI的介入反而会提升设计师的专业价值。当初级的界面生成工作被AI接手后,设计师可以把更多精力放在战略层面的思考:用户需求是什么?品牌调性如何体现?交互逻辑是否合理?

就像照相机的发明没有让画家失业,反而推动了印象派、抽象派等新艺术流派的诞生。AI工具的普及,可能也会催生新的设计流派和设计思想。

写在最后:这件事真正让人感动的地方

科技媒体和日常看新闻时,我们看到最多的是"模型参数多少、训练数据多少、benchmark再打破多少分"。数字、数字、还是数字,冷冰冰的,让人提不起兴趣。

但这一次,真正让我动容的不是那些数字,而是几个更深层的东西。

1. 人类设计师与AI的真实合作

不是机械式评分,不是简单的"好/不好"二元判断,而是设计师带着他们的经验、草图和直觉在引导AI。

这是一种真正意义上的知识传递,不是"人类评分+AI模仿",而是让AI理解"设计为什么好"。

我一直觉得,AI最大的价值不是替代人类,而是放大人类的能力。一个设计师的审美和经验,通过AI可以影响千千万万个界面的生成;一个高手的知识,可以被转化成所有人都能使用的工具。

这才是技术的温度。

2. 开源也能胜过闭源巨头

许多人长期认为:闭源大模型(如GPT系列)在一切任务上都是领先的,开源永远在追赶。

现在我们看到,真正的优势不在于"大而全",而是专精和适配。

当你专注于一个具体任务,用高质量的反馈精心打磨,一个30B的模型可以超过数千亿参数的通用巨兽。

这给无数创业公司、独立开发者和设计团队带来希望:你不需要掌握一台超级计算机,不需要几亿美元的训练预算,也能在某个领域做到最好。

3. 质量比数量更重要

Apple团队只用了181个草图反馈样本,就训练出了超越GPT-5的模型。

181个。

如果换算成时间,按照平均每个草图2-3分钟,21个设计师工作10分钟,这就是大约9-10个小时的人类劳动。

10个小时的专业设计师反馈,胜过了无数小时的通用数据训练。

这让我想起一句老话:教育的本质不是灌输,而是启发。

AI训练也是一样。与其喂它吃海量的平庸数据,不如给它少量的精品,配上详细的解释:"这里为什么好?那里为什么不对?应该怎么改?"

4. 从写代码到"懂设计"的跨越

Qwen3-Coder最初的定位就是"代码生成助手"。它每天被无数开发者在IDE里调唤着写函数、修bug、重构代码。

没人会想到,它最终会参与UI设计自动化的最尖端实践,会学会理解"什么是好看",会在美学判断上超过GPT-5。

这个跨越,不仅是技术的跨越,更是从工具到伙伴的跨越。

AI不再只是执行命令的机器,它开始理解人类的审美、判断和意图。它不再只会"做",开始学会"懂"。

技术的进步,最终是为了人

凌晨两点,我终于写完这篇文章。窗外的雨停了,远处传来零星的汽车声。

看着屏幕上Qwen3-Coder生成的那些界面截图,我突然意识到:

这不是神话,而是一个真实的发展故事。

有工程师为它调参、设计师为它指路、研究者为它找准问题。而这一切努力,不是为了在benchmark上刷分,不是为了发论文拿引用,而是为了让AI能真正理解我们在做什么,能真正帮助我们把想法变成现实。

这就是AI发展的真正意义:不是跑分最高,而是真正能理解、协作并提升人类的创造力。

当年Qwen3-Coder诞生时,没人会想到它会走到今天这一步。但正是这种不设限、不断探索的精神,让技术一次次突破我们的想象。

AI的未来,不是冰冷的算法和数字,而是它如何更好地理解人类,如何成为我们最得力的助手,如何帮助我们创造更美好的世界。

而这一切,正在发生。

更多transformer，VIT，swin tranformer
参考头条号：人工智能研究所
v号：人工智能研究Suo, 启示AI科技

 动画详解transformer  在线视频教程